Naive Bayes

Naive Bayes, sınıflandırma görevleri için makine öğreniminde yaygın olarak kullanılan bir olasılıksal algoritmalar ailesidir. İstatistiksel ilkelere dayanan bu yöntem, özellikler arasında güçlü (veya "naif") bir bağımsızlık varsayımı ile Bayes Teoremi'ni uygular. Basitliğine rağmen bu yöntem, özellikle metin gibi yüksek boyutlu veri kümelerini içeren senaryolarda verileri kategorize etmek için oldukça etkilidir. Hesaplamalı verimlilik ile tahmin performansı arasında bir denge sunarak denetimli öğrenme alanında temel bir yapı taşı görevi görür.

Link to this sectionTemel Kavram: "Naif" Varsayım#

Algoritma, belirli bir veri noktasının belirli bir sınıfa ait olma olasılığını tahmin eder. "Naif" yönü, bir sınıftaki belirli bir özelliğin varlığının, başka herhangi bir özelliğin varlığıyla ilişkili olmadığı varsayımından kaynaklanır. Örneğin, bir meyve kırmızı, yuvarlak ve yaklaşık 3 inç çapındaysa elma olarak kabul edilebilir. Bir Naive Bayes sınıflandırıcısı, renk, yuvarlaklık ve boyut arasındaki olası korelasyonlardan bağımsız olarak, meyvenin elma olma olasılığını hesaplamak için bu özellik çıkarımı noktalarının her birini bağımsız olarak değerlendirir.

Bu basitleştirme, model eğitimi için gereken hesaplama gücünü önemli ölçüde azaltarak algoritmayı olağanüstü derecede hızlı hale getirir. Ancak, gerçek dünya verileri genellikle bağımlı değişkenler ve karmaşık ilişkiler içerdiğinden, bu varsayım bazen modelin performansını daha karmaşık mimarilere kıyasla sınırlayabilir.

Link to this sectionGerçek Dünya Uygulamaları#

Naive Bayes, hızın kritik olduğu ve bağımsızlık varsayımının makul derecede iyi çalıştığı uygulamalarda öne çıkar.

• İstenmeyen E-posta Filtreleme (Spam Filtering): Naive Bayes'in en bilinen kullanımlarından biri, e-posta filtreleme için doğal dil işleme (NLP) alanındadır. Sınıflandırıcı, bir e-postanın "spam" veya "ham" (meşru) olup olmadığını belirlemek için e-postadaki kelimelerin (token'lar) sıklığını analiz eder. "Ücretsiz", "kazanan" veya "acil" gibi kelimelerin varlığı durumunda bir mesajın spam olma olasılığını hesaplar. Bu uygulama, gelen kutularını temiz tutmak için büyük ölçüde metin sınıflandırma tekniklerine dayanır.
• Duygu Analizi (Sentiment Analysis): İşletmeler, müşteri yorumlarını veya sosyal medya gönderilerini analiz ederek kamuoyunun nabzını tutmak için bu algoritmayı kullanır. Belirli kelimeleri olumlu veya olumsuz duygularla ilişkilendirerek, model çok miktardaki geri bildirimi hızla kategorize edebilir. Bu, şirketlerin her bir yorumu manuel olarak okumalarına gerek kalmadan marka algısını anlamak için büyük ölçekli duygu analizi yapmalarına olanak tanır.

Link to this sectionBilgisayarlı Görüde Naive Bayes ve Derin Öğrenme Karşılaştırması#

Naive Bayes metin için sağlam olsa da, genellikle bilgisayarlı görü (CV) gibi algısal görevlerde zorlanır. Bir görüntüde, bir pikselin değeri genellikle komşularına büyük ölçüde bağlıdır (örneğin, bir kenar veya doku oluşturan bir piksel grubu). Bağımsızlık varsayımı burada geçerliliğini yitirir.

Nesne algılama gibi karmaşık görsel görevler için modern derin öğrenme (DL) modelleri tercih edilir. YOLO26 gibi mimariler, Naive Bayes'in görmezden geldiği uzamsal hiyerarşileri ve özellik etkileşimlerini yakalamak için evrişimli katmanlar kullanır. Naive Bayes olasılıksal bir temel sağlarken, YOLO26 gibi modeller otonom sürüş veya tıbbi teşhis için gereken yüksek doğruluğu sunar. Bu karmaşık görüntü modelleri için gereken veri kümelerini yönetmek adına, Ultralytics Platform gibi araçlar, basit tablosal veri işlemenin çok ötesine geçen akıcı etiketleme ve eğitim iş akışları sunar.

Link to this sectionBayes Ağları ile Karşılaştırma#

Naive Bayes'i daha geniş bir kavram olan Bayes Ağı kavramından ayırt etmek faydalıdır.

• Naive Bayes: Tüm tahminci düğümlerin doğrudan sınıf düğümüne işaret ettiği ve tahminciler arasında hiçbir bağlantının bulunmadığı, Bayes Ağının özelleşmiş ve basitleştirilmiş bir formudur.
• Bayes Ağları: Bunlar, değişkenler arasındaki karmaşık koşullu bağımlılıkları modellemek için Yönlü Döngüsüz Çizge (DAG) kullanır. "Naif" yaklaşımın basitleştirip göz ardı ettiği nedensel ilişkileri temsil edebilirler.

Link to this sectionUygulama Örneği#

ultralytics paketi derin öğrenmeye odaklansa da, Naive Bayes genellikle standart scikit-learn kütüphanesi kullanılarak uygulanır. Aşağıdaki örnek, sürekli veriler için yararlı olan Gaussian Naive Bayes modelinin nasıl eğitileceğini göstermektedir.

import numpy as np
from sklearn.naive_bayes import GaussianNB

# Sample training data: [height (cm), weight (kg)] and Labels (0: Cat A, 1: Cat B)
X = np.array([[175, 70], [180, 80], [160, 50], [155, 45]])
y = np.array([0, 0, 1, 1])

# Initialize and train the classifier
model = GaussianNB()
model.fit(X, y)

# Predict class for a new individual [172 cm, 75 kg]
# Returns the predicted class label (0 or 1)
print(f"Predicted Class: {model.predict([[172, 75]])[0]}")

Link to this sectionAvantajlar ve Sınırlamalar#

Naive Bayes'in temel avantajı, son derece düşük çıkarım gecikmesi (inference latency) ve minimum donanım gereksinimidir. Destek Vektör Makineleri (SVM) gibi diğer algoritmaları yavaşlatabilecek devasa veri kümelerini yorumlayabilir. Ayrıca, bağımsızlık varsayımı ihlal edildiğinde bile şaşırtıcı derecede iyi performans gösterir.

Ancak, bağımsız özelliklere olan güveni, öznitelikler arasındaki etkileşimleri yakalayamayacağı anlamına gelir. Bir tahmin kelime kombinasyonlarına bağlıysa (örneğin, "iyi değil"), Naive Bayes, dikkat mekanizmaları veya Transformer kullanan modellere kıyasla zorlanabilir. Ayrıca, test verisinde yer alan bir kategori eğitim setinde mevcut değilse, model ona sıfır olasılık atar; bu sorun genellikle Laplace düzeltmesi (Laplace smoothing) ile çözülür.